新技术论坛
搜索
查看: 891|回复: 0
打印 上一主题 下一主题

[大脑仿生] 从生物进化看AlphaGo和人工智能

[复制链接]
  • TA的每日心情
    开心
    2016-10-18 06:23
  • 签到天数: 72 天

    连续签到: 1 天

    [LV.6]常住居民II

    扫一扫,手机访问本帖
    楼主
    跳转到指定楼层
    发表于 2016-3-10 21:15:21 来自手机 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式
    谢强,南开大学,生命科学学院,研究员

          2016年3月9日,被谷歌收购的英国DeepMind公司的人工智能围棋软件AlphaGo在与韩国围棋职业九段李世石的五番棋较量中以1:0领先,吸引了全世界的目光。在3月10日,更是扩大战果以2:0领先;如果说1天之前专业棋手和非专业人士对AlphaGo的胜利还觉得持保留态度的话,那么在3月10日已经普遍认可了这款软件的棋力。在人工智能的研究中,除了计算机科学和神经科学,其实也还有仿生学,所以可以试着从进化生物学的角度来看看这件不寻常的事。

    生物中的人工智能模式

          在生物学的视角,其实进入人工智能视野的生物有机体有多个。这其中最简单的生命形态是一种被称为多头绒泡菌Physarum polycephalum的黏菌(属于原生生物中的阿米巴Amoebozoa),这种生物是一种单细胞生物,其最有趣的特点是其在平板培养基上的细胞生长路线对于平面交通网络等的设计具有参考价值[1],如果将其食物源按照地图上一个国家的城市的位置进行摆放的话,那么黏菌生长路线形成的网络与现实中比较完备的公路、铁路等网络具有很高的相似性。也就是说,虽然从生物学的角度看,黏菌不属于多细胞动物、没有神经细胞分化、没有脑,但是其细胞生长对于食物源化学信号的感知和反应已经可以为人工智能的设计提供参考。为什么黏菌的生长可以从一个食物源开始,以非常接近最短路线的方式到达其它食物源呢?究其原因,单细胞的属性应该是一个方面的因素。作为具有很强变形能力的单细胞(阿米巴也叫变形虫),细胞膜的局部形变突出是对食物源化学信号浓度梯度做出的反应,如果向着某个方向形变感受到的浓度更高就继续生长,如果感受到的浓度更低就保持或退回,和所有基于似然值进行搜索的策略是一样的。相对来说,虽然脊椎动物循环系统、昆虫气管系统在个体发育的形态建成过程中也具有类似的氧气浓度依赖性,但是多细胞的分化方式决定了修改不再有用的结构需要以细胞程序化死亡的方式进行(可以理解为降解掉细胞),而不是像变形虫一样降解掉细胞内部的相关细胞骨架即可。

          在智能程度比较高的生物有机体中,最著名的两类可能是社会性昆虫(蜚蠊目的白蚁,膜翅目的蚁科、蜜蜂科、胡蜂科等)和灵长目动物。这两类动物在智能方面既有相同点,也有不同点。在相同的一面,它们的个体都具有脑占身体比重高的特点,这个指标往往作为衡量生物有机体智能高低的一个关键指标,这个指标高的生物的确常在智能方面有更复杂的行为和更好的表现,例如软体动物门中的头足纲动物Cephalopoda(章鱼、鱿鱼等);另外一个共同点是,这两类动物的种内个体间关系都很复杂,虽然包括人类在内的灵长目动物的社会性与社会性昆虫的真社会性有所区别,但是毕竟都存在复杂的个体间关系。事实上,脑体比重高和种内复杂个体间关系这两个特点往往相伴而生(例如鲸目动物Cetacea中也是这样),对于两者之间的因果关系,一般普遍认为群体性与个体间协作行为的需求是前提、是基础。在不同的一面,灵长类动物的个体能力要高于社会性昆虫的个体能力,两者分属于生态学上的K对策生物和r对策生物(前者一般繁殖率低、后代个体数量少、个体大、寿命长,后者则相反)。也就是说,虽然社会性昆虫个体的脑体比重在昆虫中是相对高的,但是每一个单独的个体很难表现出比较复杂的智能行为,只有群体才能表现出协同捕食、筑巢等复杂行为,具有个体数量依赖性。也因此,社会性昆虫会被称为superorganism。

          在社会性昆虫中,白蚁以取食真菌为主,蜜蜂和胡蜂的运动方式都是飞行,而蚂蚁则是以收集-捕食为主、并且大多在地面爬行运动,相对来说蚂蚁的行为既复杂又容易被观察,为蚁群算法(Ant Colony Algorithms)的提出提供了基础。蚁群算法最早由Marco Dorigo在博士论文工作期间提出[2],是群智能方法(swarm intelligence methods)的一种,可以为人们解决路径优化的问题提供帮助。

          在现生的灵长目动物中,人的脑体比重是最高的、脑的绝对容量是最大的、个体间关系是最复杂的。关于人类大脑容量的进化,最新奇有趣的视角可能是天文学的。有研究显示,人类大脑容量增加并非匀速的,而是与外界环境的周期性密切相关。受引力影响,地球公转轨道的扁率和地轴倾角都会有周期性变动,而人类脑容量增加最显著的时期往往是气候变化最为剧烈的时期。看来人类智力的进化历史,就是一部人类生于忧患的历史。

    人工智能与人类智能

          说到人工智能,就必须提到与DeepMind公司同为英国人的图灵(Alan Turing, 1912-1954)和彭罗斯(Roger Penrose, 1931-),前者是人工智能的奠基人(同时也提出了生物有机体发育过程中模式建成的理论),后者作为数学和物理学领域国际顶尖的学者,曾经写过著名的科普读物《皇帝新脑》(The Emperor's New Mind)(看来英国在人工智能领域真是强大)。彭罗斯教授指出,即使人工智能和人脑原理在算法本质上可能没有区别,但是在硬件方面,人脑是一个动态系统。

          沿着彭罗斯教授的思路,我们可以看到DeepMind仍然和人脑有很大不同,因为他/她还不是一个可以自主运行的系统,还需要人的参与;也就是说,人类的智慧进步过程中,通过输入和输出的持续反馈,人脑的硬件结构并没有直接被外界干预,而人脑的思维(算法)又是完全依赖于各种细胞和分子构件的硬件,相比之下,DeepMind可能还不会通过输入和输出的各种反馈而自己改变算法(不知道实际情况是不是这样),而是要依靠人类设计者团队去优化算法。人类的知识进步本来就是拉马克式遗传或者叫获得性遗传(源于人类的长寿命和世代重叠,后来各种信息介质的发明不断强化了这一点),因此,至少目前DeepMind仍然可以被视为人类知识积累在计算机硬件辅助下的一种延伸,而不是一种简单的并行或竞争关系。

          假如DeepMind或其它人工智能围棋软件能够有一天能自行独立改进算法而不再需要人类设计者团队做这件事,假如这些电脑软件能在围棋联赛和国际比赛中持续胜出,那么应该说生物的大脑仍然具有一个方面的优势,就是能量效率。如果围棋软件使用超过人类神经细胞与连接数的硬件及算法,那么这本身会是潜在的不公平,即使在这方面可以做到公平,人类大脑的耗能在对战过程中肯定还是要低得多。


    参考文献

    [1] Tero A, et al. 2010. Rules for Biologically Inspired Adaptive Network Design. Science 327: 439-442.

    [2] Dorigo M. 1992. Optimization, Learning and Natural Algorithms, PhD thesis, Politecnico di Milano, Italy.

    [3] Grove M, et al. 2012. Orbital dynamics, environmental heterogeneity, and the evolution of the
    human brain. Intelligence 40: 404-418.



    来源:科学网
    高级模式
    B Color Image Link Quote Code Smilies

    本版积分规则

    手机版|Archiver|开发者俱乐部 ( ICP/ISP证:辽B-2-4-20110106号 IDC证:辽B-1-2-20070003号 )

    GMT+8, 2024-12-23 09:55 , Processed in 0.127121 second(s), 19 queries .

    X+ Open Developer Network (xodn.com)

    © 2009-2017 沈阳讯网网络科技有限公司

    快速回复 返回顶部 返回列表